高維機(jī)械頻譜數(shù)據(jù)智能集成建模

第一部分：進(jìn)化計算基礎(chǔ)知識
 
問題的提出
1.1 優(yōu)化、建模和仿真問題
1.1.1 優(yōu)化
1.1.2 建模
1.1.3 仿真
1.2 搜索問題
1.3 優(yōu)化與約束
1.4 著名 NP 問題
進(jìn)化計算：起源
2.1 主要隱喻
2.2 發(fā)展簡史
2.3 生物靈感
2.4 為什么需要進(jìn)化計算？
進(jìn)化算法：定義
3.1 進(jìn)化算法是什么？
3.2 進(jìn)化算法的組成
3.2.1 問題表示 (個體定義)
3.2.2 評估函數(shù) (適應(yīng)度函數(shù))
3.2.3 種群
3.2.4 父代選擇機(jī)制
3.2.5 變異算子 (突變和重組)
3.2.6 生存選擇機(jī)制 (替代)
3.2.7 種群初始化
3.2.8 進(jìn)化終止條件
3.3 進(jìn)化循環(huán)的手動推演
3.4 應(yīng)用實例
3.4.1 八皇后問題
3.4.2 背包問題
3.5 進(jìn)化算法操作
3.6 自然進(jìn)化與人工進(jìn)化
3.7 進(jìn)化計算、全局優(yōu)化和其它搜索問題
表示、變異和重組
4.1 表示和變異操作的角色
4.2 二進(jìn)制表示
4.2.1 二進(jìn)制表示的變異
4.2.2 二進(jìn)制表示的重組
4.3 整數(shù)表示
4.3.1 整數(shù)表示的變異
4.3.2 整數(shù)表示的重組
4.4 實數(shù)或浮點(diǎn)數(shù)表示
4.4.1 實數(shù)表示的變異
4.4.2 實數(shù)表示的自適應(yīng)變異
4.4.3 實數(shù)表示的重組算子
4.5 排列表示
4.5.1 排列表示的變異
4.5.2 排列表示的重組
4.6 樹形表示
4.6.1 樹形表示的變異
4.6.2 樹形表示的重組
適應(yīng)度、選擇和種群管理
5.1 種群管理模型
5.2 父代選擇
5.2.1 適應(yīng)度比例選擇
5.2.2 排序選擇
5.2.3 概率選擇
5.2.4 錦標(biāo)賽選擇
5.2.5 均勻父代選擇
5.2.6 大規(guī)模種群的過度選擇
5.3 生存選擇
5.3.1 基于年齡的替代
5.3.2 基于適應(yīng)度的替代
5.4 選擇壓力
5.5 多模態(tài)問題、選擇和多樣性需求
5.5.1 多模態(tài)問題
5.5.2 保持多樣性的特征選擇和種群管理方法
5.5.3 適應(yīng)度共享
5.5.4 擁擠機(jī)制
5.5.5 采用交配限定的自動物種形成機(jī)制
5.5.6 串聯(lián)運(yùn)行多種群機(jī)制：島模型進(jìn)化算法
5.5.7 單種群內(nèi)的空間分布機(jī)制：細(xì)胞分化進(jìn)化算法
流行進(jìn)化算法變種
6.1 遺傳算法
6.2 進(jìn)化策略
6.3 進(jìn)化編程
6.4 遺傳編程
6.5 學(xué)習(xí)分類器系統(tǒng)
6.6 差分進(jìn)化
6.7 粒子群優(yōu)化
6.8 分布估計算法
 
第二部分：進(jìn)化計算方法論問題
7. 參數(shù)和參數(shù)調(diào)整
7.1 進(jìn)化算法參數(shù)
7.2 進(jìn)化算法和進(jìn)化算法實例
7.3 進(jìn)化算法設(shè)計
7.4 調(diào)節(jié)問題
7.5 算法質(zhì)量：性能和魯棒性
7.6 調(diào)參方法
8. 參數(shù)控制
8.1 引言
8.2 參數(shù)變化實例
8.2.1 變異步長尺寸的變化
8.2.2 懲罰參數(shù)的變化
8.3 參數(shù)控制技術(shù)的分類
8.3.1 哪些參數(shù)進(jìn)行變化？
8.3.2 如何進(jìn)行參數(shù)變化？
8.3.3 哪些證據(jù)表明了變化？
8.3.4 變化的范圍是什么？
8.3.5 小結(jié)
8.4 進(jìn)化算法參數(shù)變化的實例
8.4.1 表示
8.4.2 評估函數(shù)
8.4.3 變異
8.4.4 交叉
8.4.5 選擇
8.4.6 種群
8.4.7 同時變化多個參數(shù)
8.5 討論
9. 進(jìn)化算法運(yùn)用
9.1 想要進(jìn)化算法做什么？
9.2 性能度量
9.2.1 不同的性能度量準(zhǔn)則
9.2.2 峰值性能與平均性能
9.3 實驗比較的測試問題
9.3.1 基于預(yù)定義問題的實例
9.3.2 基于問題實例生成器
9.3.3 基于現(xiàn)實世界問題
9.4 應(yīng)用例子
9.4.1 較差的實踐例子
9.4.2 良好的實踐例子
 
第三部分：進(jìn)化算法高級技術(shù)
10. 混合其它技術(shù)：文化基因算法
10.1 混合進(jìn)化算法的動機(jī)
10.2 局部搜索的簡短介紹
10.2.1 拉馬克學(xué)說與鮑德溫效應(yīng)
10.3 文化基因算法的結(jié)構(gòu)
10.3.1 啟發(fā)式或智能初始化
10.3.2 變異算子混合：智能交叉和變異
10.3.3 基于變異算子輸出的局部搜索
10.3.4 基于基因型和表現(xiàn)性映射的混合
10.4 自適應(yīng)文化基因算法
10.5 文化基因算法的設(shè)計問題
10.6 應(yīng)用實例：多階段文化基因時間表
11. 非平穩(wěn)和噪聲函數(shù)優(yōu)化
11.1 非平穩(wěn)問題的特性
11.2 多源不確定性的影響
11.3 算法方法
11.3.1 增加魯棒性或降低噪聲的方法
11.3.2 針對動態(tài)環(huán)境的純進(jìn)化方法
11.3.3 面向切換或循環(huán)環(huán)境的基于存儲器的方法
11.3.4 動態(tài)環(huán)境中顯式增加多樣性的方法
11.3.5 保持多樣性和重采樣的方法：改變選擇和替代策略
11.3.6 應(yīng)用實例：具有時變特性的背包問題
12. 多目標(biāo)進(jìn)化算法
12.1 多目標(biāo)優(yōu)化問題
12.2 支配解與帕累托優(yōu)化
12.3 面向多目標(biāo)優(yōu)化的進(jìn)化算法
12.3.1 非精英方法
12.3.2 精英方法
12.3.3 多目標(biāo)進(jìn)化